焊接特徵監視方法和設備的製作方法

2023-05-13 01:19:11

專利名稱：焊接特徵監視方法和設備的製作方法
技術領域：
本發明主要涉及一種方法和設備，用於通過使用神經網絡模 型或者神經處理器對焊接特徵(weld signature )分類而在焊接過程期間 監視焊接特徵。
背景技術：
焊接系統被廣泛地用在各種製造過程中以聯結或者接合不同 的工作表面。通過受控地施加強熱及應用中間材料，電弧焊接系統尤其 可以被用於將分離的工作表面強固地熔合或者合併成一體以形成合成 的焊接接頭(weldjoim)。當在電弧焊接過程期間被存在的高溫電弧快 速地熔融的中間材料最終冷卻和固化時，形成強固的冶金接合。理想地， 合成的焊接接頭具有與起初分離的工作表面大致相同的總體強度和其 它材料性質。在電弧焊接過程中，可以在工作表面和當焊槍沿著焊接接頭 移動時被以可控方式進給到焊槍的自耗電極(例如焊絲段)之間形成電 弧，其中經由電弧屏蔽氣體的電離柱(ionizedcolumn)發射電弧。電弧 自身提供用於熔化自耗電極或者焊絲所必要的強熱水平。電極因此在焊 槍的頂端和工作表面之間傳導電流，其中熔融焊絲材料當被供應到焊接 接頭時的填料。可以使用破壞性試驗確定特定焊接接頭的質量，即通過在受 控條件下物理地破碎或者切削焊接接頭以準確地測量焊接接頭的強度 和/或總體完整性。然而，由於大量的不同焊接系統和環境操作變量以復 雜方式相互關聯從而影響所獲得的焊接質量，實時地監視焊接過程從而 準確地探測可接受的、"合格的"或者"良好的"焊接會是一個挑戰性 的過程。由於難以準確地確定具體變量數值對於合成的焊接接頭的總體 質量的孤立的或者個體的貢獻或者差異效果，在算法上將不同的個體焊 接系統變量與所存儲的閾值比較也還尚未達到最佳
發明內容
因此， 一種用於監視焊接設備的焊接特徵的方法包括確定焊 接特徵，通過神經網絡處理特徵從而識別由焊接特徵呈現的樣式
個不同類別之一。。" 、- 、'、 、在本發明的 一個方面中，確定焊接特徵包括測量由焊接設備 使用的焊接電壓、焊接電流和焊絲進給速度(WFS)。在本發明的另一個方面中，確定焊接特徵進一步包括記錄在 焊接過程中使用的屏蔽氣體的組分。在本發明的另 一個方面中，對焊接特徵分類進一步包括當焊 接特徵被分類成第一焊接類別時以一種方式、並且當焊接特徵被分類成 第二焊接類別時以另一種方式啟動通知裝置。在本發明的另 一個方面中，該方法包括確定焊接特徵是否充 分地不同於在訓練資料庫中存儲的多個訓練焊接特徵中的每一個，並且 當確定焊接特徵充分地不同於該多個訓練焊接特徵中的每一個時，在訓 練資料庫中記錄該焊接特徵。在本發明的另 一 個方面中， 一 種用於在電弧焊接過程期間監 視焊接特徵的方法包括確定定義了焊接特徵的多個不同的焊接工藝變 量，所述變量至少包括焊接電壓、焊接電流和焊絲進給速度(WFS)。 該方法包括使用神經網絡將焊接特徵分類到多個不同焊接類別之一 。該 神經網絡具有多個輸入節點，每一個輸入節點均對應於焊接工藝變量中 的不同的 一個。對焊接特徵分類的特徵在於不存在不同焊接工藝變量中 的任何一 個與相應閾值的比較。在本發明的另 一個方面中，該方法在焊接特徵被分類之後比
較焊接特徵與訓練焊接特徵的資料庫，確定焊接特徵是否充分地不同於 資料庫中的訓練焊接特徵中的每一個，並且當神經網絡確定該焊接特徵 充分地不同於訓練焊接特徵中的每 一 個時，在資料庫中記錄該焊接特徵。在本發明的另 一個方面中，該方法在分類之後測試焊接接頭 以確定含有多個不同焊接接頭性質中的每一個的數值的焊接數據集合， 並且隨後將焊接特徵與焊接數據集合相關聯以使得資料庫有效。在本發明的另 一個方面中，提供一種設備用於在焊接過程期 間監視焊接特徵從而預測焊接接頭的質量。該設備包括能夠被操作用於配置用於供應焊接電壓和焊接電流從而為焊槍 選擇性地供電的電源，和用於探測多個不同焊接工藝數值的數值的傳感
器，所述數值包括焊接電壓、焊接電流和焊絲進給速度(WFS)。該設
備包括具有神經網絡的控制器，該神經網絡適用於接收焊接工藝數值並 且將焊接特徵分類到多個不同焊接類別，每一個類別均對應於焊接接頭
的不同預測質量。結合附圖，根據下文對實施本發明的最佳方式的詳細說明， 易於清楚本發明的以上特徵和優點以及其它特徵和優點。
附圖簡要說明

圖1是根據本發明的焊接設備和能夠被操作用於監視焊接特 徵的控制器的示意圖；圖2是代表性的可接受的或者"合格"焊接特徵的圖解表示；
圖3是代表性的不可接受的或者"不合格"焊接特徵的圖解
表示；圖4是圖1所示控制器能夠使用的人造神經元模型或者神經 網絡的圖解表示；並且圖5是描迷用於監視焊接特徵的方法的圖解流程圖。
具體實施例方式參考附圖，其中貫穿這幾個圖，同樣的附圖標記對應於同樣 的或者類似的構件，並且從圖l開始，在這裡提供一種設備和方法，用 於監視焊接過程的焊接特徵，可以在各種不同的焊接過程中使用該方法 和設備，包括但是不限於單個工件操作、將兩個或者更多工件或者表面 聯結到一起和/或用於將單個工件的兩端聯結到一起。因此，焊接設備 10包括自動化或者人工焊接裝置或者焊槍18,它被可操作地連接到集 成控制單元或者控制器7和提供電壓的電源12，該電壓在圖1中被表 示成變量"V"。可以;故可替代地配置成單個傳感器和/或被一起容納在 公共傳感器外罩(未示出)中的多個傳感器14、 15和16適用於感測、 測量、探測和/或以其它方式確定一個或者多個動態變化的焊接工藝變量 隨時間變化的數值，這些變量一起定義"焊接特徵(weld signature )", 如將在下文中詳細描述地。
6
焊槍18 ^皮配置用以在一個或者多個工件24上的或者沿著工 件24的一個或者多個焊點或者接頭處選擇性地完成焊接操作，例如但 是不限於金屬惰性氣體(MIG)或者鎮極(TIG)電弧焊接。焊槍18可 以按可再定位和可再定向方式(例如通過選擇性樞轉和/或旋轉)安裝到 人工或者機器臂21。焊接設備10包括至少一個電極20A以及電極20B， 該電極20A可以是如圖所示焊槍18的噴嘴的一個部分，該電極20B淨皮 示為在其上定位有工件24的板，其中當焊槍18工作或者產生高溫電弧 22時電極20A、 20B基本上彼此相對地定位。控制器17包括神經網絡 50(也見圖4)、訓練特徵數椐庫90，和自適應焊接監視或者分類方法 100，該自適應焊接監視或者分類方法100用於在焊接過程期間使用神 經網絡50和訓練特徵資料庫卯以實時地監視並且最終分類焊接特徵。根據本發明，方法100利用神經網絡50 (也見圖4)作為信 息處理範例，神經網絡50能夠實時地審視全部或者組合的可探測或者 可測量的焊接工藝變量集合，這些變量在下文中被一起稱作焊接特徵， 並且根據一套預定的焊接質量標準而確定或者識別由焊接特徵表示的 特定樣式是否是可接受的、良好的或者合格的，或者是不可接受的、差 的或者不合格的。如本領域普通技術人員可以理解地，例如，通過使得 神經網絡50經受多個訓練焊接特徵處理，每一個訓練焊接特徵均對應 於根椐 一套預定的焊接質量標準而可被接受的焊接特徵，從而在受控訓 練過程期間對神經網絡50進行初始訓練。如將在下面描述的那樣，通 過在一段時間內將神經網絡50暴露於另外的可接受的焊接特徵，神經 網絡50還能夠被連續地訓練從而進一步改進和完善神經網絡50的樣式 識別和焊接特徵分類準確度。如本領域普通技術人員可以理解地，神經網絡例如神經網絡 50可以被用於預測具體結果和/或識別由尚未最佳的、不精確的和/或比 較複雜的輸入數據集合呈現的樣式。例如，這種輸入數據集合的複雜集 合可以由較典型的焊接工藝變量構成，即如上所述的焊接電壓V、焊接 電流i和焊絲進給速度(WFS),和/或如稍後將在下面參考圖4描述的 其它的這種動態變化的輸入變量。經由反覆暴露於不同的訓練集合，例如任何受監督或者不受 監督的輸入數據集合，神經網絡還能夠被操作用於調整或者"學習"， 並且能夠被操作用於向構成輸入數據集合的各條不同信息中的每 一 條動態地分配適當的權重和/或相對重要性數值。通常並不例如利用各種控 制算法而對神經網絡預編程以執行特定任務，所述控制算法利用用於每
一個獨特數值的預設max/min (最大/最小)閾值極限而不以任何方式預 測或者分類全部或者總體受監視焊接特徵。相反，神經網絡，例如圖1 和4的神經網絡50,利用關聯記憶來對神經網絡所接受過的組合輸入集 合的全體或者總體進行有效地歸納，例如圖4所示的焊接系統輸入集合 T，。以此方式，被適當地訓練的神經網絡可以是能夠根據過去的經歷 而準確地且一致地預測未來狀態，根據需要對複雜數椐集合進行分類， 正如由圖4中的箭頭O所表示地，和/或識別由複雜數據集合的全體所 呈現的總體樣式，否則這可能要求大量時間和/或經驗以適當地加以譯 解。參考圖2,上述的這種複雜輸入數據集合在這裡可以被體現 為焊接特徵30。焊接特徵30,在圖2中代表典型的合格的、良好的或 者在其它情形可接受的焊接特徵，即已被以某種方式驗證為產生滿足預 定的主觀和/或客觀強度、質量、均勻性和/或其它這樣的標準的合成焊 接接頭(未示出)的焊接特徵。焊接特徵30自身代表在一段持續時間 內至少三個不同變量的數值，所述變量即焊絲進給速度(WFS)、焊接 電壓V和焊接電流i,其中每一個各自具有如在圖2中所示的相應跡線。 即，跡線32代表可以使用傳感器16 (見圖1 )在焊槍18 (見圖1 )附 近測量或者探測的如上所述的焊絲進給速度(WFS)。跡線34代表如 由傳感器15 (見圖1)測量的、在焊槍18處或者附近處的焊接電流i， 其中，如本領域普通技術人員可以理解地，焊接電流(跡線34)中的變 動與焊絲進給速度(WFS)中的任何變動相關聯。跡線36代表使用傳 感器M (見圖1 )在焊槍18處或者附近處測量的電壓。參考圖3,代表性的不合格或者在其它情形不可接受的焊接 特徵30A，即，產生並不滿足預定的主觀和/或客觀強度、質量、均勻性 或者其它標準的焊接接頭(未示出)的焊接特徵。焊接特徵30A含有相 同的上述三個不同變量隨著時間變化的數值，所述變量即焊絲進給速度 (WFS )、電壓和電流。跡線32A代表如上所述的焊絲進給速度(WFS )。 跡線34A代表測量電流，其中，如本領域普通技術人員可以理解地，電 流(跡線34A)中的變動與焊絲進給速度(WFS)中的任何變動相關耳關u 跡線36A同樣地代表使用傳感器M (見圖1 )在焊槍18處或者附近處測量的電壓。圖2和3的焊接特徵30、 30A分別地是代表性的，其中用 於構成給定的訓練特徵資料庫90 (見圖1 )的實際焊接特徵根據焊接過 程和焊接接頭質量標準而變化。參考圖4,主要在上面所述的神經網絡50被控制器17(見圖 1)編程、存儲在控制器17中或者能夠以其它方式被控制器17訪問， 並且能夠被方法100 (見圖1和5)所使用以準確地預測、分類或者以 其它方式識別瞬時焊接特徵中的樣式。神經網絡50包括至少一個輸入 層40，輸入層40具有多個不同的輸入神經元或者輸入節點41，其每一 個均被配置為從神經網絡50以外接收數椐、測量值和/或其它預定信息。 如在圖4中所示，在一個實施例中，這種信息或者輸入集合I包括但是 不限於焊接電壓V、焊接電流i和焊絲進給速度或者WFS，其每一個還 在圖1中示出。根據需要，至少一個另外的輸入節點41可以被配置為 接收如由變量X所代表的另外的輸入數據、測量值或者其它過程信息條 目。例如，輸入變量X可以對應於在電弧焊接過程中使用的電弧屏蔽氣 體的特定組分。神經網絡50進一步包括至少一個"隱藏"層42,該層含有 多個被隱藏的神經元或者被隱藏的節點43,其每一個均接收並且傳遞從 輸入層40的輸入節點41輸出的信息，其中被隱藏的節點43將經過處 理的信息傳遞到一個或者多個另外的隱藏層(未示出)(如果被使用的 話)的其它神經元或者節點，或者直接地傳遞到輸出層44。輸出層44 同樣地含有將信息傳達或者傳輸到神經網絡50以外的至少一個輸出神 經元或者輸出節點45,例如到指示器裝置11 (見圖1)和/或到訓練數 據庫90 (見圖1 )，這由方法100確定，在下面參考圖5對此進行描述。在圖4的代表性實施例中，隱藏層42和輸出層44的每一個 神經元或者節點43、 45分別地可以採用如所示的Tan-Sigmoidal傳遞函 數或者激活函數，但是根據需要可以可替代地採用線性激活函數和/或其 它類型的Sigmoidal或者其它激活函數，和/或不同數目的隱藏層42和/ 或節點43、 44,從而根據所需的特定輸出(箭頭O)而實現所需的預測 準確度水平。在一個實施例中，使用已知的Levenberg-Marquardt反向傳 播算法來對神經網絡50進行初始訓練，但是訓練並不受此限制，而是
本發明能夠使用任何其它適當的訓練方法或者算法。參考圖5,本發明的方法100 (也見圖1)可以被控制器17
9(見圖l)編程、存儲、記錄或者能夠被以其它方式執行，並且開始於
步驟102。步驟102至少包括初步訓練過程，本領域普通技術人員會理 解這個術語，其中圖4的神經網絡50被訓練以準確地識別合格的、良 好的或者在其它情形中可接受的焊接特徵。可接受的焊接特徵可以是對 應於經過驗證的焊接接頭的任何焊接特徵，該經過驗證的焊接接頭即如 上所述滿足關於質量、強度、均勻性和/或其它所需性質或者質量的預定 標準集合的焊接接頭。可以通過使得圖4的神經網絡50暴露於或者領 受例如在圖2中表示的、 一定數目的充分不同的或者改變的可接受的焊 接特徵而執行步驟102。通常，被呈送給神經網絡的訓練數據集合的數 目越高，並且這些數據集合彼此間的差異性越高，則利用神經網絡的分 類或者樣式識別、和/或預測數值越準確。在以此方式適當地訓練神經網 絡50之後，方法100前進到步驟104。在步驟104,方法100測量、探測或者以其它方式確定用於 構成圖4的輸入數據集合I中的變量的每一個的數值，所迷變量例如但 是不限於焊接電壓V、焊接電流i和悍絲進給速度(WFS),以及變量 X (見圖4)例如特定屏蔽氣體組分，並且隨後在用於完成特定焊接接 頭所需要的持續時間內連續地監視這些數值。可以使用圖1的傳感器 M、 15和16確定在步驟104的數值。 一旦在步驟104適當地確定了這 些數值，方法IOO便前進到步驟106。在步驟106,來自步驟104的輸入數據集合I (見圖4)被進 給到或者導入也如圖4所示的神經網絡50的輸入層40中。神經網絡50 然後向構成輸入數據集合i的各種變量動態地分配權重，並且參考可能 被神經網絡50使用的訓練資料庫卯的任何相關數據矩陣和/或訓練集合 (見圖1 ),從而處理在圖5中為簡潔起見而被簡寫為WS的瞬時焊接 信號 方法100然後前進到步驟108。在步驟108,神經網絡50將焊接信號WS分類到多個不同焊 接種類或者類別之一內。例如，來自圖4所示神經網絡50的輸出層44 的輸出(圖4的箭頭O)例如通過如上所述在輸出節點45 (見圖4)處 使用Tan-Sigmoidal或者其它傳遞函數或者激活函數可以被歸一化，即 被分配介於-1和1之間的數值。落入-1和O之間的數值可以被選擇以對 應於不可接受的或者不合格的焊接特徵，而落入O和1之間的數值可以 被分類成可接受的或者合格的焊接特徵。
在這些相應的類別中，可以依據使用者的喜好而根據需要改 變其相應的歸一化數值，更加密切地接近最小數值即-1的歸一化數值可 以被視為比例如具有歸一化數值-0.1的焊接特徵更加不理想的焊接，而 更加密切地接近1的歸一化數值可以;故分類成比例如具有歸一化^t值 0.1的焊接特徵更加理想的或者可接受的焊接。同樣地，數值O可以示 意根據神經網絡50 (見圖4)同等地可接受的和不可接受的焊接特徵， 該焊接特徵潛在地要求進一步的確定、測試，焊接驗證和/或用於正確分 類的其它分析。在分類焊接特徵W S之後，方法10 0然後前進到步驟110 。在步驟110，方法IOO確定在步驟108;故分類的焊接特徵WS 是否等於代表可接受的焊接特徵的第一範疇或者類別，並且為簡潔起見 將這種類別在圖5中簡寫為C1。如果焊接特徵WS的類別落入類別Cl, 則方法IOO前進到步驟112，否則方法IOO前進到步驟114。在步驟112,方法IOO可以將控制器17 (見圖1)內的標誌 或者其它適當的標記設為等於對應於或者辨識出類別的整數數值例如 1，或者等於對應於如在步驟110所確定的肯定或者合格類別的任何其 它數值。方法IOO然後前進到步驟116和118。在步驟114,已經在步驟IIO確定焊接特徵WS的類別不等於 在步驟112分配的數值，例如l,方法IOO將控制器17 (見圖1)內的 標誌或者其它標記設為等於0,或者等於如在步驟no確定的否定或者 不合格類別的任何其它數值。方法IOO然後前進到步驟115和116。在步驟115，已經在步驟114設置表示否定、不可接受的或 者在其它情形不合格的瞬時焊接特徵WSO的標誌，方法100在控制器 17中暫時地記錄焊接特徵WS0從而有可能在將來作為訓練集合而使用。 方法IOO然後前進到步驟117。在步驟116,例如通過啟動在操作員附近的通知裝置11 (見 圖1),方法100可以選擇性地啟動通知裝置11 (見圖1)來以可視或 者可聽見方式提醒操作員關於由神經網絡50 (見圖4)確定的焊接特徵 WS的類別。例如，當歸一化的類別數值落入-1和0之間時，通知裝置 11可以以一種顏色例如紅色發亮，以示意不可接受的焊接特徵WSO和/ 或發出易於被識別的聲響報警。同樣地，當歸一化的類別數值落入預定範圍例如1和0.5之 間，或者落入與被神經網絡50 (見圖4)預測為有特別大可能性具備高強度/質量焊接的焊接特徵WS相對應的任何預定範圍內時，通知裝置
11可以以另一種顏色例如綠色發亮。落入另一預定範圍例如0和0.5之 間的歸一化數值可以以又一種顏色例如琥珀色發亮，以示意被分類的焊 接特徵WS可能是接近不可接受的水平，這要求進一步的過程控制和/ 或分析。可以期待被告知了由神經網絡30 (見圖1)識別為不合格的焊 接特徵的操作員立即採取停止行動和/或採取校正行動，從而當焊接特徵
被分類成不可接受時，方法IOO可以在步驟116終止。在步驟117，方法100將暫時存儲的不可接受的焊接特徵WSO 關聯到焊接數據集合以確定焊接特徵WS是否已被適當地分類。例如，， 焊接接頭(未示出)可以被選擇並進行破壞性試驗以確定焊接接頭是否 如由神經網絡50 (見圖4)在將焊接特徵WSO分類成不可接受的或者 不合格時預測的那樣缺少所需的強度、均勻性和/或其它所需性質。可替 代地，或者同時地，方法100可以將瞬時焊接特徵WSO關聯到在訓練 特徵資料庫90(見圖1)中存儲的每一個焊接特徵，並且確定最近被分 類成不可接受的焊接特徵WSO是否充分地不同於在圖1的訓練資料庫 90中所包含的焊接特徵中的每一個。方法IOO然後前進到步驟122。在步驟118,已經在步驟112將標誌設為1以表示肯定的或 者合格的焊接類別，方法IOO在控制器17中暫時地記錄焊接特徵WS1 從而可能在將來作為訓練集合使用u方法100然後前進到步驟120。在步驟120,方法IOO將暫時存儲的焊接特徵WS1關聯到焊 接數據集合以確定焊接特徵WS1是否已被適當地分類。例如，焊接接 頭(未示出)可以被選擇並且進行破壞性試驗以確定焊接接頭是否如由 神經網絡50在分類可接受焊接特徵WS1時(見圖4)預測的那樣具有 所需強度、均勻性和/或其它所需性質。可替代地，或者同時地，方法 IOO可以將焊接特徵WS1關聯到在訓練特徵資料庫90(見圖1)中存儲 的焊接特徵的每一個，並且確定最近被分類成可接受的焊接特徵WS是 否充分地不同於在圖1的訓練特徵資料庫90中所包含的焊接特徵中的 每一個。方法100然後前進到步驟122。在步驟122,方法IOO根椐步驟120的結果確定是否保持在 步驟118記錄的可接受焊接特徵WS1。如果焊接特徵WS1充分地不同 於在訓練特徵資料庫卯(見圖1)中存儲的焊接特徵中的每一個，方法添加到訓練特徵數椐庫90 (見圖1 )。方法100重複進行步驟102,並 且繼續進行以通過將神經網絡50暴露於在步驟118記錄的焊接特徵 WSl而訓練圖4的神經網絡50,從而將焊接特徵WSl添加到訓練特徵 資料庫90(見圖1)。否則，方法IOO前進到步驟124。在步驟124，方法100拋棄在步驟118暫時地記錄的焊接特 徵WSl,並且如上所述地重複步驟104。雖然已經詳細描述了用於執行本發明的最好方式，熟悉本發
發明的各種可替代的設計和實施例。
權利要求
1. 一種用於監視焊接設備的焊接特徵的方法，該方法包括確定焊接特徵；使用神經網絡識別由焊接特徵呈現的樣式；和響應於被所述神經網絡識別的樣式而將焊接特徵分類到多個不同類別之一內。
2. 根據權利要求1的方法，其中，所迷確定焊接特徵包括測量由焊 接設備使用的焊接電壓、焊接電流和焊絲進給速度WFS 。
3. 根據權利要求2的方法，其中，所述確定焊接特徵進一步包括記 錄在焊接過程中使用的屏蔽氣體的組分。
4. 根據權利要求l的方法，其中，所迷對焊接特徵分類進一步包括 當焊接特徵被分類為所述不同焊接類別中的第 一 焊接類別時以 一 種方 式、並且當焊接特徵被分類為所述不同焊接類別中的第二焊接類別時以 另一種方式啟動通知裝置。
5. 根據權利要求1的方法，還包括確定焊接特徵是否充分地不同於在訓練資料庫中存儲的多個訓練 焊接特徵中的每一個；和當確定焊接特徵充分地不同於所述多個訓練焊接特徵中的每一個 時，在所述訓練資料庫中記錄焊接特徵。
6. 才艮據權利要求5的方法，還包括當確定焊接特徵並非充分地不同於所述多個訓練焊接特徵中的每 一個時，拋棄焊接特徵。
7. —種用於在電弧焊接過程期間監視焊接特徵的方法，包括 確定定義焊接特徵的多個不同的焊接工藝變量，所述變量至少包括焊接電壓、焊接電流和焊絲進給速度WFS;和使用神經網絡將焊接特徵分類成多個不同焊接類別中的 一 個，所述 神經網絡具有多個輸入節點，每一個輸入節點均對應於所述多個不同焊 接工藝變量中不同的一個；其中，所述對焊接特徵分類的特徵在於，不存在所述多個不同焊接 工藝變量中的任何一個與相應闊值的比較。
8. 根據權利要求7的方法，還包括當焊接特徵被分類成所述不同焊接類別中的第 一焊接類別時以一種方式、並且當焊接特徵被分類成所述不同焊接類別中的第二焊接類別時以另一種方式啟動通知裝置。
9. 根據權利要求8的方法，還包括在焊接特徵被分類之後將焊接特徵與訓練焊接特徵的資料庫進行比較；徵中的每一個；和當確定該焊接特徵充分地不同於所述訓練焊接特徵中的每一個時，在所述資料庫中記錄焊接特徵。
10. 根據權利要求9的方法，還包括在所述分類之後測試焊接接頭以由此確定含有多個不同焊接接頭性質中的每一個的數值的焊接數據集合；和將焊接特徵與所述焊接數據集合相關聯以使得所述資料庫有效。
11. 一種用於在焊接過程期間監視焊接特徵從而預測焊接接頭的質量的設備，所述設備包括能夠被操作用於形成焊接接頭的焊槍；被配置用於供應焊接電壓和焊接電流從而為所述焊槍選擇性地供電的電源；至少一個用於探測多個不同焊接工藝數值的數值的傳感器，所迷數值包括所述焊接電壓、所述焊接電流和對應於在形成焊接接頭時自耗的焊絲段的速度的焊絲進給速度WFS;和具有神經網絡的控制器，該神經網絡適用於接收所迷多個焊接工藝數值並且將焊接特徵分類到多個不同焊接類別內，每一個類別均對應於焊接接頭的不同預測質量。
12. 根據權利要求n的設備，其中所述控制器能夠被操作用於當焊接特徵被分類成所述不同焊接類別中的第 一焊接類別時以 一種方式、並且當焊接特徵被分類成所述不同焊接類別中的第二焊接類別時以另一種方式啟動指示器裝置。
13. 根據權利要求12的設備，其中所述控制器包括含有多個訓練焊接特徵的資料庫，每一個訓練焊接特徵均對應於具有可接受的焊接質量的焊接接頭。
全文摘要
本發明涉及焊接特徵監視方法和設備。提供了一種方法通過利用神經網絡處理特徵以識別樣式並且通過響應於該樣式而分類焊接特徵從而監視焊接設備的焊接特徵。該方法確定焊接特徵是否充分地不同於在資料庫中存儲的訓練焊接特徵，並且當充分不同時在資料庫中記錄焊接特徵。該方法測試焊接接頭以確定不同焊接接頭性質的數值，並且隨後將特徵與焊接數據相關聯以使得資料庫有效。還提供了一種設備在焊接過程期間監視焊接特徵以預測焊接接頭質量，並且包括焊槍、電源和用於探測焊接電壓、電流和焊絲進給速度WFS的傳感器。神經網絡接收焊接工藝數值並且將特徵分類到不同的焊接分類內，每一個焊接分類均對應於預測的焊接接頭質量。
文檔編號G01M99/00GK101502906SQ20091000705
公開日2009年8月12日 申請日期2009年2月9日 優先權日2008年2月8日
發明者J·漢普頓 申請人:通用汽車環球科技運作公司